By admin 
“Nuestros equipos de investigación aquí están en el centro de gran parte del trabajo de código global. Los equipos de software indios también están liderando el desarrollo de watsonx Orchestrate, una herramienta de automatización laboral digital, y watsonx.data, el componente de datos de la plataforma watsonx de IBM”, dijo Sriram Raghavan, vicepresidente de IA en IBM Research. Menta En una entrevista.
Raghavan, que lidera un equipo global de más de 750 científicos e ingenieros de investigación en todas las sedes de IBM Research, incluida India, estuvo en la ciudad para asistir al evento insignia anual específico del país de la compañía que se celebró en Mumbai este año.
La India es como un microcosmos para IBM. Aquí están representados todos los aspectos de IBM: laboratorios de investigación, laboratorios de software, laboratorios de sistemas… y seguimos creciendo.
Por ejemplo, IBM, socio de la Misión de Inteligencia Artificial de la India y de la Misión de Semiconductores del país, ha instalado Watsonx en la infraestructura de la unidad de procesamiento gráfico (GPU) Airavat del Centro para el Desarrollo de Computación Avanzada (C-DAC), que “las empresas emergentes y los socios del ecosistema pueden utilizar”.
El 23 de septiembre, el primer ministro Narendra Modi se reunió en Nueva York con los principales líderes tecnológicos, entre ellos el director ejecutivo de IBM, Arvind Krishna, y el director ejecutivo de Google, Sundar Pichai. Con ellos habló de temas como la inteligencia artificial, la tecnología cuántica, la biotecnología y las ciencias biológicas, y las tecnologías de semiconductores.
Lea también: ¿Qué hizo que IBM pasara de ser un gigante tecnológico a ser un ejemplo aleccionador?
Raghavan señaló que IBM tiene un sólido ecosistema público-privado en Nueva York, donde su laboratorio en Albany trabaja en estrecha colaboración con la Universidad Estatal de Nueva York y el centro de nanotecnología del estado de Nueva York. “Estamos aplicando las lecciones de esto para ayudar al gobierno indio a construir ecosistemas similares”, explicó.
Más cerca de casa, IBM está colaborando con L&T Semiconductor Technologies Ltd, combinando su experiencia en propiedad intelectual (PI) de semiconductores con el conocimiento de la industria de L&T en un intento por fomentar la innovación en soluciones de semiconductores.
Evolución de la IA
Raghavan destacó que la IA está ganando mucha atención en el ámbito del hardware, la programación y las aplicaciones empresariales. “Las empresas quieren modelos adecuados a sus necesidades que sean eficientes, escalables y asequibles, que es también el objetivo de IBM”, afirmó.
El enfoque de inteligencia artificial de IBM, según él, comprende tres elementos clave: la serie Granite (la marca insignia de IBM de modelos de lenguaje grandes, o LLM, abiertos y propietarios); el proyecto de código abierto InstructLab para personalizar modelos; y la plataforma watsonx para integrar, gestionar e implementar de forma segura modelos de inteligencia artificial en diferentes entornos, incluidos los locales, los públicos o las nubes de IBM.
Dicho esto, al igual que Meta Platforms Inc., IBM cree en la posibilidad de poner a disposición del público modelos de código abierto. “El valor real reside en gestionar y optimizar esos modelos, de forma muy similar a lo que hemos hecho con Red Hat y Linux”, afirmó Raghavan.
Cuando surgió Gen AI, surgieron preocupaciones acerca de que los modelos eran cerrados, propietarios y peligrosos.
“Por eso, nosotros (IBM y Meta) lanzamos la AI Alliance (en diciembre de 2023) para enfatizar el valor de un enfoque abierto, y muchas empresas indias también se han unido al movimiento, reconociendo que la IA es demasiado importante para desarrollarla a puertas cerradas”, dijo Raghavan.
Lea también: Las supercomputadoras centradas en lo cuántico pronto serán una realidad: Darío Gil de IBM
La AI Alliance ahora incluye a IIT-Bombay, AI4Bharat (IIT-Madras), IIT-Jodhpur, Infosys Ltd, KissanAI, People+AI y Sarvam AI.
“Al mantener los modelos abiertos, invitamos a más personas a ayudar a innovar y crear mejores salvaguardas. No es el modelo el que plantea el riesgo, sino cómo se utiliza”, insistió Raghavan.
Subrayó que el gobierno de Estados Unidos ha reconocido este enfoque en recientes órdenes ejecutivas, entendiendo que medidas excesivamente restrictivas sofocarían la innovación, especialmente en el ámbito académico y en las empresas emergentes.
Según Raghavan, las tecnologías fundamentales deberían estar abiertas a fomentar la colaboración y generar nuevas ideas, aunque los clientes seguirán pagando por el soporte, la seguridad y la gestión de nivel empresarial. “La monetización provendrá de la gestión de aplicaciones de IA”, explicó.
Pero, ¿hay suficientes empresas que pasan de la fase piloto a la fase de producción? ¿Cómo obtienen el retorno de la inversión (ROI) de GenAI? “Nuestra prioridad es el costo, el rendimiento, la seguridad y las habilidades a medida que los clientes pasan de la prueba de concepto (POC) a la producción”, afirmó Raghavan. Citó un estudio de IBM que reveló que entre el 10 y el 20 % de las empresas habían escalado al menos un caso de uso de IA. Reconoció que el número está creciendo, pero que siguen existiendo desafíos, especialmente en las industrias reguladas.
Lea también: Veamos si la IA puede hacer su magia para cerrar las deficiencias educativas
“Las empresas exitosas se concentran en áreas clave con un potencial claro de retorno de la inversión en lugar de dispersar los esfuerzos entre múltiples POC. Este enfoque específico les permite escalar de manera eficiente y obtener retornos significativos. A medida que las empresas escalan sus casos de uso de IA, descubren la importancia de equilibrar la tecnología, el proceso y la cultura”, afirmó.
Casos de uso de IA
Según él, IBM ve tres categorías de casos de uso clave: atención al cliente, modernización de aplicaciones y automatización de negocios y mano de obra digital. “La atención al cliente es una opción natural, incluso antes de la generación de IA. Todos quieren un mejor servicio al cliente a un menor costo. El valor real proviene de la creación de modelos adecuados a las necesidades específicas”, explicó, y agregó que un modelo de servicio al cliente, por ejemplo, no necesita resolver problemas complejos, lo que ayuda a mantener bajos los costos.
La modernización de las aplicaciones también es fundamental, especialmente cuando las empresas se enfrentan a enormes bases de código heredadas. “Por ejemplo, el asistente de código Watsonx de IBM para COBOL (un lenguaje de programación antiguo) ayuda a modernizar el código del mainframe, lo que permite a los desarrolladores trabajar con lenguajes más antiguos con mayor facilidad. Estamos ampliando esto a Java, otro lenguaje crucial para las empresas. La mano de obra digital, o automatización empresarial, abarca procesos como la cadena de suministro, las finanzas y los recursos humanos. Nuestra suite Watsonx Orchestrate está diseñada para agilizar estas operaciones mediante IA”, explicó.
Raghavan reconoció, sin embargo, que a medida que las empresas adoptan la IA, enfrentan desafíos en tres áreas: habilidades, confianza y costos. “Ahí es donde entra en juego watsonx.governance: ayuda a automatizar la gobernanza de modelos, garantizando un uso adecuado, rastreando datos y ejecutando evaluaciones de riesgos”.
Cuando se le preguntó sobre el debate en torno a la adquisición de capacidades de “razonamiento” mejoradas por parte de la IA, Raghavan admitió que es “un tema lleno de matices”. Los modelos no razonan como los humanos con la lógica, explicó. En cambio, aprenden con el ejemplo. “Si bien la IA actual puede razonar en dominios específicos como los sistemas de TI o el código, el razonamiento de propósito general sigue estando fuera de su alcance”.
Lea también: GenAI tiene una aplicación revolucionaria: la codificación, afirma Naveen Rao, director de inteligencia artificial de Databricks
Según Raghavan, el razonamiento específico de un dominio también es “increíblemente útil”. Por ejemplo, la IA puede mejorar la automatización de TI o ayudar a solucionar problemas de código aprendiendo de ejemplos, lo que la convierte en un enfoque práctico y valioso.
Concluyó: “También estamos viendo el cambio de modelos que simplemente brindan respuestas a aquellos que ‘piensan’ antes de responder. Estos modelos, que adoptan un comportamiento de sistema dos (como la analogía de Daniel Kahneman), pueden autocriticarse y refinar sus respuestas. Esto impulsará tareas de IA más complejas, pero aumentará los costos, ya que los tiempos de inferencia aumentan con un razonamiento más profundo”.